本视频是具身智能入门科普系列的第一节，重点围绕机器人学习与常规机器学习的本质区别展开，系统梳理了状态空间、动作空间与控制模式，并深入剖析行为克隆的局限性及Action Chunking的改进思路。
一、机器人学习 vs. 常规机器学习：三大核心差异
交互模式：机器人学习处于“观测-动作-环境变化-新观测”的物理闭环中，动作会影响后续输入；而常规机器学习多为开环映射，基于静态数据集，缺乏与真实世界的交互。
数据获取：常规机器学习依赖大规模数字数据，获取成本较低；机器人学习数据需通过物理动作生成，采集昂贵且过程不可逆。
安全要求：物理世界的不可逆性（如设备损坏、安全事故）对机器人学习提出远高于常规模型的安全与容错要求。
二、状态空间与观测空间：从全知到受限
State vs. Observation：State是环境的完整真实配置，现实中不可得；Observation是传感器获取的有噪、部分观测的快照，受限于硬件与视角。
多模态感知：包括RGB图像、深度图、点云等视觉模态，及关节角度、力矩、末端执行器等本体/触觉信息。后者是实现精细操作（如抓取软物体、装配）的关键。
主要挑战：部分可观测性、遮挡、传感器噪声、时延、多模态时空对齐等问题普遍存在。
三、动作空间与控制模式
动作空间划分：离散空间用于高层决策（如“拿起/放下”），连续空间用于底层精确控制（如关节角度）。关节空间控制直接但不够直观，笛卡尔空间更易用，但需逆运动学转换。
控制方式对比：位置控制精度高但刚性，速度控制响应快但难静止；力矩控制适用于力交互但稳定性差，阻抗控制通过弹簧-阻尼模型实现更安全柔顺的交互。
四、行为克隆的核心问题
强化学习 vs. 模仿学习：强化学习通过试错与奖励信号探索策略，样本效率低但可能超越人类；模仿学习依赖专家示范，效率高但受限于专家能力。
行为克隆的两大缺陷：
1）复合误差——微小偏差随时间指数放大，导致策略偏离已知状态；
2）多模态平均——对不同合理动作取均值，输出无效中间动作（如障碍物前直行）。
五、Action Chunking：从单步到序列预测
单步预测问题：易产生动作抖动、延迟，缺乏短期规划，双臂或高自由度任务下协调性差。
解决方案：
1）Action Chunking——一次性预测未来K步动作序列，增强连贯性与意图；
2）时间集成平滑——对相邻预测进行指数加权平均，平滑执行轨迹，降低抖动。
